大家很喜欢用的可视化神器——Pyecharts|可视化系列08

pyecharts简介

pyecharts是基于前端可视化框架echarts的Python可视化库。该库让我们在Python里也可以充分体验到快速出图和丰富交互的数据可视化体验。
echarts主要开发者御术曾说过,和d3相比,d3是面粉而echarts相当于面条。

这是个很形象的比喻,和面粉相比,面条可以快速煮出各种美食,很贴合echarts的特点。echarts开箱即用,文档详细、可以配置的参数多,且有很多改改配置就能用的例子。pyecharts也具备这一优点。

代码框架与配置项

pyecharts的可视化基本代码框架如下。

1
2
3
4
5
6
7
import pyecharts
bar=pyecharts.charts.Bar() #初始化一个柱状图
bar.add_xaxis(['Mon.','Tue.','Wed.','Thu.','Fri.']) #设置x轴
bar.add_yaxis("y", [76,37,90,60,50],color='#1eafae') #y轴
bar.set_global_opts(title_opts=opts.TitleOpts(title="主标题",pos_left='center'))
bar.render_notebook() #在jupyter notebook中出图
#bar.render('bar_charts_01.html') #保存为文件

可以看到的是,pyecharts遵循了大部分Python可视化库的写法,初始化图对象,明确是什么类型的图,设置x,y轴数据及属性,设置图元属性,出图。

pyecharts本质做的是把Python语句向echarts的JavaScript语句的映射,因此更强调配置,语句上使用add_set_频率高。pyecharts囊括了30+常用的图表类型,而且对于表格展示、图像显示也有对应接口,除了输出html外,支持主流notebook环境的图表显示,还能很方便地和Flask、Django等Python前端框架集成。

在语句组织上,也可以用链式调用写法,思路和上面一致,初始化,设置X/Y,设置图元属性,出图。

1
2
3
4
bar = (
Bar().add_xaxis(x).add_yaxis("y",y)
)
bar.render()

在图元属性上,图形颜色、文本标签通过向add_yaxis传参设置。也能通过set_colors设置全局配色。

标题、图例等设置通过 set_global_opts 设置,从语句名字可以看出其可以设置各种全局的属性。实例语句如下:

1
2
3
4
from pyecharts import options as opts
bar.set_global_opts(title_opts=opts.TitleOpts(title="主标题",
subtitle="副标题",pos_left='center'),
legend_opts=opts.LegendOpts(pos_left='5px'))

pyecharts set_global_opts

set_global_opts 设置的图元包括:

  • title_opts:标题设置,封装为*pyecharts.options.TitleOpts()*,属性有title,title_link,subtitle(副标题),pos_left,pos_top,title_textstyle_opts等实用配置。所以写法为:

    title_opts=opts.TitleOpts(title="主标题")

  • legend_opts:图例配置项,可以控制是否显示图例、图例相对位置、图例每项之间的间隔等属性,对应封装为LegendOpts()

  • tooltip_opts:提示框配置项,包括是否显示,触发条件等;

  • toolbox_opts:工具箱配置项;

  • brush_opts:区域选择组件配置项;

  • xaxis_opts:x坐标轴配置项,对应的封装是在AxisOpts()里,可以设置坐标轴类型(数值类型、离散类型,对数坐标轴、时间轴)、坐标轴名称、是否显示、值域、各种相对位置等属性;

  • yaxis_opts:y坐标轴配置项,对应封装也在AxisOpts()

  • visualmap_opts:视觉映射配置项;

  • datazoom_opts:区域缩放配置项;

等等,以上具体属性使用时可以随时查阅官方文档。图形画布的宽度、背景色、使用主题等会在初始化图表时配置,称作InitOpts,也就是写在Bar()里,而不是传进set_global_opts。配置属性的时候需要注意的是type、min、max是Python的关键字,因此都用的type_、min_、max_这种形式。转为JavaScript会转回type,min,max。

1
bar=pyecharts.charts.Bar(init_opts=opts.InitOpts(width="400px",height="400px",page_title="pyecharts-demo"))

翻转XY轴

通过翻转柱状图的xy轴绘制条形图。也就是不需要改柱状图本身属性的代码,只需要加上bar.reversal_axis() 就可以把柱状图变成条形图(在文本标签的调节上,为了适应条形图的布局,也需要设置一下label_opts)。

1
2
bar.reversal_axis()  #翻转柱状图的xy轴
bar.render_notebook()

柱状图转条形图 pyecharts

对数据进行统计后调整category_gap参数可以绘制出直方图:

1
2
3
4
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#1eafae',category_gap=0)
bar.render_notebook() #直方图

直方图

绘制堆叠柱状图,只需要给bar对象添加两个.add_yaxis()再设置stack属性,实例如下:

1
2
3
4
5
6
7
8
9
#堆叠柱
df=pd.DataFrame({'x':['Mon.','Tue.','Wed.','Thu.','Fri.'],
'y':[76,37,90,60,50],
'z':[37,46,53,81,60]})
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#ba5c25',stack='s1',label_opts=opts.LabelOpts(position='inside'))
bar.add_yaxis("z",list(df['z']),color='#1eafae',stack='s1',label_opts=opts.LabelOpts(position='inside'))
bar.render_notebook()

绘制折线图的多条折线也是用add_yaxis()

堆叠柱状图-两个add_yaxis

簇状柱图

通过Boxplot()绘制箱线图:

1
2
3
4
5
6
7
8
ybox=[59, 81, 80, 82, 50, 67, 66, 74, 75, 76, 91, 72]
zbox=[59, 41, 80, 62, 70, 61, 46, 54, 45, 66, 85, 42]
b=pyecharts.charts.Boxplot() #箱线图
b.add_xaxis(['boxplot-x-axis'])
b.add_yaxis("y",[sorted(ybox)])
b.add_yaxis("z",[sorted(zbox)])

b.render_notebook()

0-906-12-07-boxplot

饼图

直角坐标系基本都是.add_xaxis(x).add_yaxis(“y”,y)配置X/Y轴的数据(包括箱线图),而饼图、雷达图等,是用add()配置数据。饼图的每块楔形对应的数为*(标签,数值),因此传入add的数据不是[[x1,x2, …], [y1,y2, …]]这一的x的列表和y的列表,而是需要[(key1,val1),(k2,v2)]*这样的组织形式。

1
2
3
4
c=pyecharts.charts.Pie()  #pyecharts绘制饼图
c.add("y",[[v['x'],v['y']] for i,v in df.iterrows()])#不是add_yaxis了;[(key1,val1),(k2,v2)]
c.set_colors(['#1eafae','#69ffff', '#ba5c25', '#ffa069', '#a3ffff','#d7ce88'])
c.render_notebook()

pyecharts绘制饼图

1
2
3
4
5
6
c=pyecharts.charts.Radar()  #雷达图
sch=[opts.RadarIndicatorItem(name=i,max_=100) for i in list(df['x'])]
c.add_schema(sch,shape='polygon') #shape可选 'polygon' 和 'circle',默认polygon
c.add("y",[list(df['y'])],linestyle_opts=opts.LineStyleOpts(color="#1eafae"))
c.add("z",[list(df['z'])],linestyle_opts=opts.LineStyleOpts(color="#ba5c25"))
c.render_notebook()

雷达图

雷达图的每条折线通过add()添加序列数据,基本上我们绘制雷达图各类别是分类变量(例如上图中的Mon.、Tue.等类别),配置进去需要用参数详解RadarIndicatorItem(name),雷达图绘制时最好显性声明没类的最大值,否则默认用的序列最大值。

关系图及数据特点

要绘制节点关系图等关系图,需要准备两份数据,一个节点表,一个边表。

节点表与边表

直接用代码和图来说明更形象,更容易理解。节点表nodes说明有哪些节点,点的半径大小,每个节点是一个字典类型的数据,边表links说明谁连接谁,从节点A指向点B。必须要声明的是source和target,还可以有value、lineStyle等属性。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
nodes = [
{"name": "A", "symbolSize": 10},
{"name": "B", "symbolSize": 40},
{"name": "C", "symbolSize": 20},
{"name": "D", "symbolSize": 10}
]
links=[
{"source":'A', "target":'B'},
{"source":'B', "target":'C','value': 10},
{"source":'C', "target":'D','lineStyle':{'normal':{'show':'true','width': 2}}},
{"source":'D', "target":'B'},
]
g=pyecharts.charts.Graph()
g.add('',nodes,links,edge_length=100,repulsion=1500) #repulsion:节点之间的斥力因子; gravity:节点受到的引力因子;
g.render_notebook()

用Graph可视化节点间关系

桑吉图

Sankey图也是节点和边两个数据输入,数据的写法和节点关系图输入一致。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
nodes = [
{"name": "A", "symbolSize": 10},
{"name": "B", "symbolSize": 40},
{"name": "C", "symbolSize": 20},
{"name": "D", "symbolSize": 10}
]
links=[
{"source":'A', "target":'C','value': 10},
{"source":'B', "target":'C','value': 15},
{"source":'C', "target":'D','value': 10},
{"source":'B', "target":'D','value': 10},
]
g=pyecharts.charts.Sankey()
g.add('',nodes,links,
label_opts=opts.LabelOpts(position="inside"),
linestyle_opt=opts.LineStyleOpts(opacity=0.3, curve=0.2))
g.render_notebook()

sankey

复合图表

层叠不同类型的图、一行多图等排版对于pyecharts是基本操作。

通过b.overlap(a)将图a叠加到b类型的图上,且他们会共用一套坐标系。

1
2
3
4
5
6
7
8
#在同一坐标系里叠加多种图
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#1eafae')
line = pyecharts.charts.Line().add_xaxis(list(df['x'])) \
.add_yaxis("z",list(df['z']),color='#ba5c25',z_level=2)
bar.overlap(line)
bar.render_notebook()

在柱图上叠加折线图

多个图进行排列而不是叠加到同一个坐标系里用grid和page,同一行多个图是grid,一页多图从上往下用的是page。通过选项卡点击切换多个图用tab,时间线轮播图用*timeline。综合以上的用法可以搭建仪表盘。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
bar=pyecharts.charts.Bar()
bar.add_xaxis(list('abcdef'))
bar.add_yaxis('y',a,color='#1eafae')
bar.set_global_opts(title_opts=opts.TitleOpts(title="帕累托图1", subtitle="双轴直角坐标图",pos_left='center'),
legend_opts=opts.LegendOpts(pos_left='60px'))

line=pyecharts.charts.Line()
line.add_xaxis(list('abcdef'))
line.add_yaxis('d',b,z_level=2)
line.extend_axis(
yaxis=opts.AxisOpts(
name="累积比例",
type_="value",
min_=0,
max_=1,
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#ba5c25")
)

)
)
line.set_global_opts(yaxis_opts=opts.AxisOpts(position="right"),legend_opts=opts.LegendOpts(pos_left='120px'))
grid=pyecharts.charts.Grid()
grid.add(bar,grid_opts=opts.GridOpts(pos_right="18%"))
grid.add(line,grid_opts=opts.GridOpts(pos_right="18%"))
grid.render_notebook()

pyecharts绘制帕累托图

1
2
3
4
5
6
7
8
9
10
tab = pyecharts.charts.Tab()
bar1=pyecharts.charts.Bar()
bar1.add_xaxis(list(df['x']))
bar1.add_yaxis('y',list(df['y']),color='#1eafae')
bar2=pyecharts.charts.Bar()
bar2.add_xaxis(list(df['x']))
bar2.add_yaxis('z',list(df['z']),color='#ba5c25')
tab.add(bar1, "bar-example1")
tab.add(bar2, "bar2")
tab.render_notebook()

0-906-12-09-2

用Tab进行页面切换

在展示及结果导出方面,把图渲染在jupyter notebook中使用c.render_notebook(),这个文中用到了很多次,也不难理解,在jupyterLab中出图需要额外配置些东西,涉及语句:from pyecharts.globals import CurrentConfig, NotebookType; CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB

可视化图还可以输出为html文件,用到的语句是c.render('pye_charts_01.html') ,要生成png图片,pyecharts 提供了 selenium, phantomjs 和 pyppeteer 三种方式去实现。

总结

无论是从图表丰富性还是学习曲线角度看,pyecharts都是排名前列的可视化库。pyecharts上手很简单,文档很详细,有各种个性化需求时,通过查阅pyecharts的文档和echarts的文档基本都能得到解决,因此大家喜欢用也就不足为奇。pyecharts做的是从Python对象向JavaScript的转换,echarts支持的图表太丰富了,不一定需要一个个图表类型去看参数,有具体需求时边查文档边实现是更好的选择。

有问题欢迎留言交流,本文的代码和xmind思维导图文件在公众号后台回复 pye 获取。

参考资料


做个仪表盘

要有动图;

xmind效果图;